LangGraph 多策略 RAG Agent 实践：动态路由向量、图谱、网络搜索，并加入改写与幻觉检测闭环。
原文标题：不止向量检索！LangGraph 多策略 RAG Agent 架构实践
原文作者：数据派THU
冷月清谈：
架构中的 Grader 会评估检索文档是否相关，若无相关结果则交给 Rewriter 改写查询并重新路由，最多重试 3 次后回退到网络搜索。Generator 只基于相关文档生成答案，Hallucination Checker 再检查答案是否被上下文支撑，不通过则重新生成。
文章还给出 LangGraph 状态定义、节点实现、条件边连接和完整运行示例，展示如何把 RAG 从“单向问答管道”升级为具备路由、记忆、重试和自校验能力的 Agentic RAG 系统。
怜星夜思：
2、Router 依赖 LLM 来判断走向量、图谱还是网络搜索，这一步如果分错类，后面的自纠错机制能救回来吗？
3、文章里的 Hallucination Checker 用 LLM 判断答案是否被上下文支撑，这种“让模型检查模型”的方法靠谱吗？
4、如果要把这套 LangGraph RAG Agent 用到生产环境，最应该先补哪些工程能力？
原文内容
来源：DeepHub IMBA本文约3800字，建议阅读7分钟本文介绍 LangGraph 混合 RAG 智能体，突破传统流水线 RAG 的固有缺陷。
向量搜索、图遍历还是网络搜索 -- 本文介绍如何用 LangGraph 让智能体为每个问题选择合适的工具。
语义搜索、向量数据库迁移、Graph RAG。这些系统有一个共同缺陷——都是 Pipeline，固定执行序列，问题进、答案出，不论输入是什么。
真实问题并不符合这个假设。
"我们的退款政策是什么？" 需要向量搜索。
"顶级客户和这家供应商之间有什么关联？" 需要图遍历。
"美联储今早宣布了什么？" 需要网络搜索。
Pipeline 只能处理其中一种。Agent 三种都能做，而且能自己决定用哪种。
思维转变：传统 RAG 是一个函数——输入 → 输出。Agentic RAG 是一个状态机——它有记忆、能做决策、可以回溯，只有在对答案有把握时才会终止。
什么让它变得"Agentic"？
Agent 与 Pipeline 的区别体现在四种能力上：
路由实际效果演示：
"公司的数据留存政策是什么？"——Vector（向量搜索）
"排名前 3 的客户与哪些供应商有关联？"——Graph（图搜索）
"美联储今天关于利率的最新公告是什么？"——Web（网络搜索）
"340 的 15% 是多少？"——DirectLLM（直接调用 LLM）
LangGraph 状态机
LangGraph 将 Agent 建模为有向图，节点是函数，边是决策。与 LangChain 的关键差异在于：边可以形成循环。Agent 能不断重试、改写、自我纠错，直到生成一个有把握的答案。
Router：入口节点
Router 是 Agent 的决策中枢。它接收原始查询通过结构化 LLM 调用（with_structured_output）将其分为四类：vector、graph、web 或 direct。分类结果在 LangGraph 中成为一条条件边，决定接下来运行哪个检索节点。每次查询、每次改写后都会经过 Router。
Retriever：Vector / Graph / Web
三个检索节点占各自槽位：Vector（FAISS/pgvector 余弦相似度）、Graph（Neo4j 自动生成 Cypher）、Web（Tavily API）。每个节点返回一组 Document 对象，路由决策决定哪个节点被激活。在改写循环中，Router 可能切换到不同的检索器。
Grader：相关性评估
Grader 逐一评估每个检索到的文档：相关或不相关，每份文档各触发一次结构化 LLM 调用。判断逻辑如下：至少 1 个文档相关 → 路由至 Generator；全部不相关且 rewrite_count < 3 → 路由至 Rewriter；全部不相关且已改写 3 次 → 路由至 web 兜底。这是整个自我纠错机制的核心。
Rewriter：检索失败时的查询修复
检索失败后 Rewriter 启动，接收原始查询（或之前的改写版本），要求 LLM 重新表述——更具体的词语、不同的同义词、更清晰的范围。每次改写后 rewrite_count 递增，上限 3 次，防止无限循环。改写完成后重新路由回 Router。
Generator：LLM 生成答案
Generator 只接收被评为相关的文档，用严格的 Prompt 综合生成有依据的答案："仅根据以下上下文作答。"答案和来源文档存入 Agent 状态，供后续幻觉检测使用，不相关的文档完全隔离在外。
Hallucination Checker：最终验证
Hallucination Checker 拿到生成的答案和来源文档，判断"答案中的每一个论断是否都有上下文支撑"。如果是 → 返回答案（END）；如果否 → 以更严格的 Prompt 路由回 Generator 重新生成。这个节点专门拦截那些表面自信、实则错误的输出。
完整架构——节点如何连接
Router 节点：对查询进行分类
LLM 将输入问题分类为四类之一：vector_search（文档事实查询）、graph_search（关系查询）、web_search（实时信息）或 direct（LLM 已知的内容）。这是 LangGraph 中的条件边，输出结果决定下一个运行的节点。
Retriever 节点：执行对应工具
三个工具作为 LangGraph 节点接入：FAISS/pgvector 用于语义相似度，Neo4j Cypher 用于图遍历，Tavily/SerpAPI 用于实时网络结果。每个节点返回带有相关性元数据的文档列表。
Grader 节点：文档是否真正相关？
LLM 对每个检索到的文档打分：相关或不相关。若所有文档均不通过，边路由至 Rewriter；若足够多的文档通过，则路由至 Generator。
Rewriter 节点：修复查询，重新尝试
检索失败时，LLM 将原始查询改写得更具体，或切换检索策略，然后循环回第 2 步。最多重试 3 次，之后回退到网络搜索。
Generator 节点：综合生成答案
LLM 基于检索到的文档生成有依据的答案，答案和来源文档存入 Agent 状态，供幻觉检测使用。
Hallucination Checker：最终关卡
LLM 验证：答案中的每个论断是否都有检索文档支撑？如果是 → 返回答案；如果否 → 以更严格的 Prompt 循环回 Generator。这一机制消除了"自信却错误"的答案。
代码实现——LangGraph 混合 RAG Agent
第 1 步——定义 Agent 状态
from typing import TypedDict, List, Literal
from langchain_core.documents import Document
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_community.graphs import Neo4jGraph
from pydantic import BaseModel
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# ── Agent 状态——在所有节点间持久保存 ────────────
class AgentState(TypedDict):
question: str
route: str # vector | graph | web | direct
documents: List[Document]
generation: str
rewrite_count: int
grade_results: List[str]
# ── 工具初始化 ──────────────────────────────────────────────
embeddings = OpenAIEmbeddings()
vector_store = FAISS.load_local("faiss_index", embeddings)
vector_retriever = vector_store.as_retriever(search_kwargs={"k": 4})
neo4j_graph = Neo4jGraph(url="bolt://localhost:7687",
username="neo4j", password="password")
web_search = TavilySearchResults(max_results=3)
第 2 步——Router 节点
class RouteDecision(BaseModel):
route: Literal["vector", "graph", "web", "direct"]
reasoning: str
router_llm = llm.with_structured_output(RouteDecision)
ROUTER_PROMPT = """You are a query router for a hybrid RAG system.
Classify the query into ONE category:
- vector: factual questions answerable from internal documents
(policies, reports, product info, static knowledge)
- graph: questions about relationships between entities
(how X connects to Y, who knows whom, supplier chains)
- web: requires real-time or current information
(news, stock prices, today's events, recent releases)
- direct: simple calculations or general knowledge the LLM already knows
Query: {question}"""
def router_node(state: AgentState) -> AgentState:
decision = router_llm.invoke(
ROUTER_PROMPT.format(question=state["question"])
)
print(f"→ Router: {decision.route} | {decision.reasoning}")
return {**state, "route": decision.route}
# 条件边——路由到对应的检索节点
def route_edge(state: AgentState) -> str:
return state["route"] # "vector" | "graph" | "web" | "direct"
第 3 步——三个 Retriever 节点
# ── Vector 检索器 ────────────────────────────────────
def vector_node(state: AgentState) -> AgentState:
docs = vector_retriever.invoke(state["question"])
return {**state, "documents": docs}
# ── Graph 检索器（Neo4j，LLM 自动生成 Cypher）──────────────
from langchain.chains import GraphCypherQAChain
graph_chain = GraphCypherQAChain.from_llm(
llm=llm, graph=neo4j_graph, verbose=True,
allow_dangerous_requests=True
)
def graph_node(state: AgentState) -> AgentState:
result = graph_chain.invoke(state["question"])
doc = Document(page_content=result["result"],
metadata={"source": "neo4j_graph"})
return {**state, "documents": [doc]}
# ── Web 搜索检索器 ─────────────────────────────────
def web_node(state: AgentState) -> AgentState:
results = web_search.invoke(state["question"])
docs = [Document(page_content=r["content"],
metadata={"source": r["url"]})
for r in results]
return {**state, "documents": docs}
# ── 直接调用 LLM（无需检索）────────────────────────────────
def direct_node(state: AgentState) -> AgentState:
answer = llm.invoke(state["question"]).content
return {**state, "generation": answer, "documents": []}
第 4 步——Grader、Rewriter、Generator 和 Hallucination Checker
# ── Grader ───────────────────────────────────────────────
class GradeDoc(BaseModel):
score: Literal["relevant", "irrelevant"]
grader_llm = llm.with_structured_output(GradeDoc)
def grader_node(state: AgentState) -> AgentState:
grades = []
for doc in state["documents"]:
result = grader_llm.invoke(
f"Question: {state['question']}\nDocument: {doc.page_content[:400]}\n"
"Is this document relevant to answering the question? Score: relevant/irrelevant"
)
grades.append(result.score)
return {**state, "grade_results": grades}
def grade_edge(state: AgentState) -> str:
relevant = sum(1 for g in state["grade_results"] if g == "relevant")
if relevant > 0:
return "generate"
elif state["rewrite_count"] < 3:
return "rewrite"
else:
return "web_fallback" # 三次失败后的最终兜底
# ── Rewriter ─────────────────────────────────────────────
def rewriter_node(state: AgentState) -> AgentState:
rewritten = llm.invoke(
f"The query '{state['question']}' returned no relevant results. "
"Rewrite it to be more specific and searchable. Return only the rewritten query."
).content
print(f"→ Rewriter: '{state['question']}' → '{rewritten}'")
return {**state, "question": rewritten,
"rewrite_count": state["rewrite_count"] + 1}
# ── Generator ────────────────────────────────────────────
def generator_node(state: AgentState) -> AgentState:
context = "\n\n".join(d.page_content for d in state["documents"]
if "relevant" in state.get("grade_results",[]))
answer = llm.invoke(
f"Answer using only the context below.\n\nContext:\n{context}\n\nQuestion: {state['question']}"
).content
return {**state, "generation": answer}
# ── Hallucination Checker ────────────────────────────────
class HallucinationCheck(BaseModel):
grounded: Literal["yes", "no"]
halluc_llm = llm.with_structured_output(HallucinationCheck)
def hallucination_node(state: AgentState) -> AgentState:
context = "\n\n".join(d.page_content for d in state["documents"])
result = halluc_llm.invoke(
f"Context:\n{context}\n\nAnswer:\n{state['generation']}\n\n"
"Is the answer fully supported by the context? grounded: yes/no"
)
return {**state, "hallucination_check": result.grounded}
def halluc_edge(state: AgentState) -> str:
return "end" if state.get("hallucination_check") == "yes" else "regenerate"
第 5 步——连接图结构并运行
# ── 构建 LangGraph 状态机 ────────────────────────────────
workflow = StateGraph(AgentState)
# 添加节点
workflow.add_node("router", router_node)
workflow.add_node("vector", vector_node)
workflow.add_node("graph", graph_node)
workflow.add_node("web", web_node)
workflow.add_node("direct", direct_node)
workflow.add_node("grader", grader_node)
workflow.add_node("rewriter", rewriter_node)
workflow.add_node("generator", generator_node)
workflow.add_node("hallucination",hallucination_node)
# 入口节点
workflow.set_entry_point("router")
# router → 检索器（条件边）
workflow.add_conditional_edges("router", route_edge, {
"vector": "vector",
"graph": "graph",
"web": "web",
"direct": "direct",
})
# 检索器 → grader
for node in ["vector", "graph", "web"]:
workflow.add_edge(node, "grader")
# grader → 生成 / 改写 / web 兜底
workflow.add_conditional_edges("grader", grade_edge, {
"generate": "generator",
"rewrite": "rewriter",
"web_fallback": "web",
})
# rewriter → 回到 router
workflow.add_edge("rewriter", "router")
# generator → hallucination 检测
workflow.add_edge("generator", "hallucination")
# hallucination 检测 → 结束或重新生成
workflow.add_conditional_edges("hallucination", halluc_edge, {
"end": END,
"regenerate": "generator",
})
workflow.add_edge("direct", END)
# 编译并运行
agent = workflow.compile()
result = agent.invoke({
"question": "What is our data retention policy for EU customers?",
"rewrite_count": 0,
"documents": [],
"grade_results": [],
"generation": "",
"route": "",
})
print(result["generation"])
总结
通过引入 LangGraph 构建状态机，我们将传统的“单向直通车”式 RAG 成功升级为了具备记忆、决策和自我纠错能力的智能体系统。这种混合 Agent 架构彻底打破了单一 Pipeline 的局限：它不仅能通过 Router 扮演决策中枢，针对不同问题智能分发最匹配的检索工具（向量相似度、图谱关联、网络实时数据或直接调用大模型）；更重要的是，它建立了一套严密的自校验闭环。
借助 Grader 的相关性过滤和 Rewriter 的查询修复，系统在面对检索失败时可以主动寻找替代方案；而最后的 Hallucination Checker 拦截一切缺乏上下文支撑的“自信妄想”。这种架构让 AI 像人一样，在不确定中不断试错、交叉验证，直到确信无疑才交付结果。
By Sivasundharam
编辑：于腾凯
校对：李享沣
